Pour garantir l'exécution sans faille de la phase d'inférence, votre architecture doit obligatoirement mobiliser trois éléments fondamentaux dans vos plans de données. Premièrement, le paramètre modelTable qui définit et structure la topologie exacte de votre réseau de neuronesUn réseau de neurones est un modèle d'IA bio-inspiré composé de couches de nœuds interconnectés, capable d'apprendre des relations complexes dans les données pour prédire ou classifier avec précision.. Deuxièmement, le paramètre initWeights qui fournit les poids synaptiques optimisés et appris lors de la phase d'entraînement préalable. Enfin, le paramètre table qui héberge les nouvelles observations à évaluer. L'absence de l'une de ces trois tables bloquera l'exécution du processus d'évaluation dans la mémoireGemini said
Espace de stockage temporaire (RAM) utilisé par le moteur CAS pour charger et traiter les données à haute vitesse, minimisant les accès disque pour optimiser les performances de SAS Viya. distribuée.
Quels sont les prérequis techniques absolus pour orchestrer un scoring de réseau de neurones réussi ?
Exemples pour l'action dnnScore
Scoring basique avec un DNN
Cet exemple montre comment scorer une table avec un modèle existant et conserver l'identifiant 'ID' dans les résultats pour pouvoir raccorder les prédictions aux observations sources.
Scoring avec accélération GPU et extraction de couches
Pour les modèles plus lourds (comme la vision par ordinateur ou le texte), nous utilisons ici un GPU avec une précision FP16 pour doper les performances. Nous en profitons pour extraire la sortie (activations) d'une couche spécifique nommée 'Couche_Cachee_1'.